-
公开(公告)号：CN119280632A
公开(公告)日：2025-01-10
申请号：CN202411716703.4
申请日：2024-11-27
Applicant: 南昌大学第二附属医院
Abstract: 本发明涉及外科食道上药领域，尤其涉及一种消化内科应用的食道上药系统，包括：注药模块，包括喷头以及图像采集组件；输送模块，包括输药管、流速传感器、气体流速传感器以及输送泵；模型构建模块，用以根据所述食道创面的图像生成食道创面三维模型；控制模块，用以根据所述食道创面三维模型确定食道的蠕动方式，根据所述蠕动方式确定喷射方式，包括根据所述食道内的气体流速确定药物的喷射压力，或，根据患者所述食道创面的食道液流速确定药物喷射距离，以及，根据食道创面的药物分布面积重新确定所述药物喷射距离。本发明提高了外科食道创口治疗的精准性和高效性。
-
公开(公告)号：CN113724876A
公开(公告)日：2021-11-30
申请号：CN202111060331.0
申请日：2021-09-10
Applicant: 南昌大学第二附属医院
Abstract: 本发明公开了基于多模态融合和DFS‑LLE算法的脑卒中院内并发症预测模型，该模型构建方法包括如下步骤：S1、采集脑卒中患者住院期间的截止并发症发生时的就诊数据，就诊数据包括临床结构化和医学图像2种模态的数据；S2、分别对2种模态的数据进行预处理；S3、提取医学图像中影像组学特征，与临床结构化数据进行多模态融合；S4、利用DFS技术对经步骤S3融合后的特征进行合成；S5、利用LLE对经步骤S4合成的特征进行降维；S6、根据上述数据构建基于深度神经网络的脑卒中并发症预测模型。本发明能有效的提升模型的预测性能，提高脑卒中并发症的预测能力，为临床提供强有力的辅助决策作用。
-
公开(公告)号：CN113808747B
公开(公告)日：2023-12-26
申请号：CN202111180311.7
申请日：2021-10-11
Applicant: 南昌大学第二附属医院
IPC: G16H50/30 , G06V10/762 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种缺血性脑卒中复发预测方法，首先，提取患者多维数据进行融合，将融合后的数据进行Lasso分析，输出关键因子。其次，对数据集中的空缺值进行填充，对未复发且存在住院史的患者、没有住院史的患者缺失量较多的特征以及没有住院史的患者缺失量较少的特征，分别采用三种不同的方式进行填充。然后对数据集中存在的样本不平衡采取样本不平衡处理方式进行处理。同时取患者脑部CT影像数据，采用GCForest多粒度扫描层对影像数据进行卷积学习，通过特征重塑将特征规整为[32,1]大小。将重塑后的特征作为固定特征与结构化特征联合传入至GCForest多粒度扫描层进行特征增强，最后传入至级联森林进行模型训练。本发明为人工智能技术在医疗的应用提供新思路。
-
公开(公告)号：CN113808747A
公开(公告)日：2021-12-17
申请号：CN202111180311.7
申请日：2021-10-11
Applicant: 南昌大学第二附属医院
Abstract: 本发明提供了一种缺血性脑卒中复发预测方法，首先，提取患者多维数据进行融合，将融合后的数据进行Lasso分析，输出关键因子。其次，对数据集中的空缺值进行填充，对未复发且存在住院史的患者、没有住院史的患者缺失量较多的特征以及没有住院史的患者缺失量较少的特征，分别采用三种不同的方式进行填充。然后对数据集中存在的样本不平衡采取样本不平衡处理方式进行处理。同时取患者脑部CT影像数据，采用GCForest多粒度扫描层对影像数据进行卷积学习，通过特征重塑将特征规整为[32,1]大小。将重塑后的特征作为固定特征与结构化特征联合传入至GCForest多粒度扫描层进行特征增强，最后传入至级联森林进行模型训练。本发明为人工智能技术在医疗的应用提供新思路。
-
公开(公告)号：CN118430819B
公开(公告)日：2024-09-24
申请号：CN202410888748.3
申请日：2024-07-04
Applicant: 南昌大学第二附属医院
IPC: G16H50/30 , G06V10/40 , G06V10/80 , G06V10/766 , G06V10/774 , G06T7/10
Abstract: 本发明提供了一种脑卒中预测复发方法及系统，涉及医疗预测领域，具体技术方案为：获取脑卒中多源异构数据，包括：诊疗数据、MRI影像数据、N年内随访数据；提出谱聚类联合XGBoost方法填补患者结构化空缺数据；以UNet为基础架构引入多尺度残差注意力机制，建立脑卒中病灶分割模型，实现脑卒中梗死病灶的自动识别；利用高斯变换方法实现对图像的高维度转换，提取多变种高维度影像组学特征；提出改良的特征筛选方法，实现高维度特征的深度挖掘。以深度森林算法为基础引入XGBoost，与随机森林和极端随机森林共同组成深度森林的级联结构，建立预测复发模型，评估脑卒中患者出院后N年内的复发风险。
-
Patent Agency Ranking
公开(公告)号：CN112365976A
公开(公告)日：2021-02-12
申请号：CN202011273670.2
申请日：2020-11-14
Applicant: 南昌大学第二附属医院
Abstract: 本发明涉及一种基于迁移学习的复合病种临床路径构建方法及系统，其方法包括：获取非临床路径产生的复合病种的多源异构医疗数据；根据ICD分类对其进行结构化，构成第一数据集；按照体征信息、医学分期、诊断信息、治疗评价对第一数据集进行特征提取、聚类，构成第二数据集；从所述第二数据集随机抽取两个病种的数据集，训练时域卷积神经网络对其中一个病种数据集进行学习，通过MMD对所述时域卷积神经网络进行调整用于另一个病种数据集的迁移学习；最后根据输出结果进行融合，得到复合病种临床路径。本发明通过数据集的简化以及与时域卷积神经网络、生成式对抗神经网络的集成，提高了复合病种临床路径构的性能和可解释性，避免了梯度爆炸。
-
公开(公告)号：CN112259243A
公开(公告)日：2021-01-22
申请号：CN202010991239.5
申请日：2020-09-20
Applicant: 南昌大学第二附属医院
Abstract: 本发明涉及一种基于双向GRUs的单病种临床路径构建方法及系统，其中方法包括如下步骤：获取待构建的单病种的多源异构的医疗数据，利用机器学习对所述医疗数据进行预处理；根据IP协议报文的数据结构对所述医疗数据进行结构化，得到第一类路径节点集合；通过主题LDA算法对所述第一类路径节点进行分类和特征提取、聚类，得到第二类路径节点集合；将所述第二类路径节点集合作为双向GRUs和胶囊网络的输入，训练所述双向GRUs和胶囊网络得到第三类路径节点。本发明利用了IP协议报文对医疗数据进行结构化，然后利用主题LDA进行特征提取，最后利用双向GRUs和胶囊网络生成临床路径，使得该临床路径具有一致性、时序性、可变性，解释强。
-
公开(公告)号：CN118430819A
公开(公告)日：2024-08-02
申请号：CN202410888748.3
申请日：2024-07-04
Applicant: 南昌大学第二附属医院
IPC: G16H50/30 , G06V10/40 , G06V10/80 , G06V10/766 , G06V10/774 , G06T7/10
Abstract: 本发明提供了一种脑卒中预测复发方法及系统，涉及医疗预测领域，具体技术方案为：获取脑卒中多源异构数据，包括：诊疗数据、MRI影像数据、N年内随访数据；提出谱聚类联合XGBoost方法填补患者结构化空缺数据；以UNet为基础架构引入多尺度残差注意力机制，建立脑卒中病灶分割模型，实现脑卒中梗死病灶的自动识别；利用高斯变换方法实现对图像的高维度转换，提取多变种高维度影像组学特征；提出改良的特征筛选方法，实现高维度特征的深度挖掘。以深度森林算法为基础引入XGBoost，与随机森林和极端随机森林共同组成深度森林的级联结构，建立预测复发模型，评估脑卒中患者出院后N年内的复发风险。
-
公开(公告)号：CN112259243B
公开(公告)日：2024-01-02
申请号：CN202010991239.5
申请日：2020-09-20
Applicant: 南昌大学第二附属医院
IPC: G16H50/70 , G06F18/2135 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于双向GRUs的单病种临床路径构建方法及系统，其中方法包括如下步骤：获取待构建的单病种的多源异构的医疗数据，利用机器学习对所述医疗数据进行预处理；根据IP协议报文的数据结构对所述医疗数据进行结构化，得到第一类路径节点集合；通过主题LDA算法对所述第一类路径节点进行分类和特征提取、聚类，得到第二类路径节点集合；将所述第二类路径节点集合作为双向GRUs和胶囊网络的输入，训练所述双向GRUs和胶囊网络得到第三类路径节点。本发明利用了IP协议报文对医疗数据进行结构化，然后利用主题LDA进行特征提取，最后利用双向GRUs和胶囊网络生成临床路径，使得该临床路径具有一致性、时序性、可变性，解释强。
-
公开(公告)号：CN112365976B
公开(公告)日：2023-08-11
申请号：CN202011273670.2
申请日：2020-11-14
Applicant: 南昌大学第二附属医院
IPC: G16H50/20 , G16H50/70 , G06F18/241 , G06F18/23213 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/096
Abstract: 本发明涉及一种基于迁移学习的复合病种临床路径构建方法及系统，其方法包括：获取非临床路径产生的复合病种的多源异构医疗数据；根据ICD分类对其进行结构化，构成第一数据集；按照体征信息、医学分期、诊断信息、治疗评价对第一数据集进行特征提取、聚类，构成第二数据集；从所述第二数据集随机抽取两个病种的数据集，训练时域卷积神经网络对其中一个病种数据集进行学习，通过MMD对所述时域卷积神经网络进行调整用于另一个病种数据集的迁移学习；最后根据输出结果进行融合，得到复合病种临床路径。本发明通过数据集的简化以及与时域卷积神经网络、生成式对抗神经网络的集成，提高了复合病种临床路径构的性能和可解释性，避免了梯度爆炸。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.033 seconds)
